想象一下你正在学习骑自行车。起初，你会有些摇晃，你的车把也会左右摆动，你的路径也不是一条完美的直线。这种摇晃并不是错误；它是你的大脑和身体在学习如何平衡。现在，想象有一个超级聪明、隐形的伙伴陪着你一起骑行。如果这个朋友太霸道了，他们可能会把你的车把锁定在一条完美且僵硬的直线上，以防止你摔倒。你能更快到达目的地，但你会感觉自己像是坐在自行车上的乘客，而不是骑行者。你失去了那种“我在掌控这一切”的感觉。这就是一个被称为“人机交互”（HMI）领域的内核。它是研究人类与机器人（或计算机）如何协作的科学，特别是当两者发生物理接触时，比如握住一个机械臂或驾驶一辆汽车。长期以来，工程师们认为最好的机器人是能够消除所有人类错误和摇晃，从而实现完美的机器人。但近期的观点表明，那些“摇晃”——科学家称之为变异性（variability）——实际上是一个特性，而非缺陷。它们是人类运动的自然节奏。大问题在于：如果机器人能帮助我们，但又允许我们保留自然的摇晃，我们是否会感到更有控制感，并且更享受这段旅程，即便到达终点的速度是一样的？
这篇论文深入探讨了这样一个问题。研究人员设置了一个虚拟游戏，人们需要操控一个机械臂从起点移动到目标点，要求尽可能快且准确。他们测试了机器人提供帮助（或不提供帮助）的三种不同方式。首先是“无帮助”模式，即由人独自完成。第二是“严厉助手”模式（称为 lowVar），在这种模式下，机器人表现得像一个僵硬的引导者，抹平了每一次细微的抖动，并强迫动作变得完美地笔直且稳定。第三是“随和助手”模式（称为 highVar），它使用了一种特殊的全新控制策略。这个机器人足够聪明，它能协助处理困难的部分（到达目标点），但会刻意让人们在那些对目标无关紧要的方向上，保留其自然的、略微摇晃的运动。
结果非常有趣。当观察人们完成任务的表现时，“严厉助手”和“随和助手”基本持平。两者完成任务的效果一样好，并且都比独自完成要出色得多。“随和助手”并没有让人变慢或降低准确度。然而，当询问人们体验感受时，“随和助手”以压倒性优势胜出。人们评价“随和助手”比“严厉助手”更具可用性，也更容易使用。事实证明，让机器人尊重人类自然的、略带凌乱的运动风格，会让整个交互过程感觉更加直观和舒适，尽管机器人仍然在承担确保成功的大部分重任。
研究并未发现“随和助手”会让人们感到更有“掌控感”（一种被称为代理感的感觉）或比“严厉助手”更有信心。事实上，由于成功完成了任务，这两种辅助模式都让人们觉得自己比独自完成时更有能力和掌控力。但相比之下，当机器人允许自然变异时，人们对“这个系统易于使用”的感觉显著更高。研究人员认为，通过不对人类的自然运动进行过度纠正，机器人感觉起来不像是一个霸道的独裁者，而更像是一个得力的伙伴。这项研究证明，你不需要为了获得更好的体验而牺牲性能；事实上，通过尊重人类运动中自然的“摇晃”，你可以让机器人感觉更友好、更像人类，而不会让工作变得更难。
技术摘要：变异性在人机交互体验中的作用
问题陈述
物理人机交互（pHMI）正日益转向紧密集成的协作模式，即人类与机器通过交换物理力来实现共同任务。虽然传统的共享控制和触觉辅助策略能有效优化客观任务性能，但这些策略通常依赖于确定性的人类模型，忽略了人类运动行为的随机性质。具体而言，这些系统通常会抑制自然的运动变异性，将其视为需要最小化的噪声，而非一种结构化的特征。
本文认为，系统性地约束任务无关的变异性可能会改变用户生成预测并归因于动作结果的感觉运动联结（sensorimotor contingencies）。这种控制器的内部模型与用户自然运动统计特性之间的不匹配，可能会降低用户的代理感（sense of agency）、感知可用性和整体交互体验，即使任务性能保持在高水平。尽管结构化变异性在运动控制中具有既定地位，但在紧密耦合的 pHMI 中，其对人类交互体验的具体影响尚未得到实证研究。
研究方法
实验设计
本研究采用被试内设计（within-subject design），由 41 名参与者执行一项物理耦合的触觉点对点任务。自变量为交互模式，包含三种条件：
- noSup (无支持)： 基准条件，无自动化，捕捉自然的人类运动模式。
- lowVar (变异性约束)： 传统的控制器模式，旨在最小化整体运动变异性。
- highVar (尊重变异性)： 一种新型的人类变异性尊重型最优控制（HVROC）模式，旨在保留任务无关维度的自然人类运动变异性模式，同时维持任务准确性。
系统实现
- 硬件： 配备力矩传感器的 KUKA LBR iiwa 14 R820 机械臂作为触觉接口。
- 仿真： 机器人通过虚拟耦合连接到一个在 2D 空间内的模拟线性质点系统（质量-阻尼动力学）。
- 控制逻辑： 自动化通过基于状态反馈控制律施加附加力输入。
- lowVar 模式使用静态 HVROC 解，具有高反馈增益（Lp=Ld=150）以积极抑制偏差。
- highVar 模式采用基于位置误差的增益调度。它利用较低的初始增益（Lp=75,Ld=20）以允许在运动阶段存在自然变异性，仅在系统接近目标时（e<1/3estart）线性增加增益，以确保稳定减速。
- 任务： 参与者完成了四个方向共 82 次运动，平衡了速度与精度。仅当人类施加的力超过 5 N 时才激活自动化，以隔离控制策略对反应时间延迟的影响。
测量指标
- 行为指标：
- 任务无关变异性： 测量为运动阶段中期与运动方向正交的最大位置方差（Vmaxy）。
- 任务性能： 通过调节时间（settling time）、终点误差和终点区域方差进行测量。
- 交互体验指标：
- 代理感（Sense of Agency）： 对动作及其结果的感知控制能力。
- 自我效能感（Self-Efficacy）： 完成任务的能力信念。
- 心流（Flow）： 专注投入的状态。
- 可用性（Usability）： 通过 QUEAD 量表进行评估，包括感知有用性、易用性和情感反应等子量表。
核心贡献
- 变异性结构的实证研究： 本研究提供了关于紧密耦合 pHMI 中任务无关运动变异性与人类交互体验之间因果关系的首次实证证据。
- HVROC 实现： 本文展示了一种变异性感知型最优控制器的可行性，该控制器能在不损害任务相关性能的前提下，显式地操纵任务无关的变式性。
- 性能与体验的解耦： 研究表明，控制策略在客观任务成功方面可以功能等效，但在体验上却截然不同。
结果
任务性能
- 变异性操纵： highVar 模式成功保留了显著更多的任务无关变异性（M=0.65×10−4m2），而 lowVar 模式为 M=0.33×10−4m2，两者均低于 noSup 基准值（M=1.11×10−4m2）。
- 任务成功率： 两种辅助模式（lowVar 和 highVar）在调节时间、终点误差和终点方差方面均显著优于 noSup 基准。
- 等效性： 至关重要的是，highVar 和 lowVar 在任务相关性能（调节时间、终点误差或终点方差）方面没有显著差异。这证实了保留自然变异性模式并不会以牺牲客观任务性能为代价。
人类交互体验
- 总体体验： 与 noSup 基准相比，两种辅助模式在代理感、自我效能感、心流和可用性方面均获得了显著更高的评分。
- 变异性的影响： 虽然两种辅助模式之间的代理感、自我效能感和心流没有显著差异，但 highVar 条件下的可用性显著高于 lowVar。
- 子量表分析： highVar 对可用性的提升主要由显著更高的感知易用性评分以及情感反应的正向趋势所驱动。与任务成功相关的感知有用性在两种辅助模式之间没有显著差异。
意义与主张
本文主张，保留结构化的、任务无关的运动变异性是实现以人为中心的 pHMI 的关键设计原则。研究结果表明：
- 体验不同于性能： 控制策略即使产生相同的客观任务结果，在体验上也可以是截然不同的。
- 可用性增强： 变异性感知控制增强了感知可用性，特别是“易用性”和交互的“情感质量”，这可能是通过使系统的动力学与用户内部运动模型及自然感觉运动预测相一致实现的。
- 设计启示： 对于紧密耦合的系统，特别是在对长期接受度至关重要的医疗保健和康复领域，控制策略不应仅仅是最小化误差，而应尊重人类运动的统计结构。这种方法可以在提供强大任务支持的同时，保留用户在协作中的主动性和自我归因角色。
作者得出结论，变异性感知控制不应被视为一种可选的优化，而应被视为实现人类–机器系统有效性与持续交互质量的刻意设计原则。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。